基于多尺度残差编解码网络的低剂量CT图像去噪方法技术

本发明专利技术提供一种基于多尺度残差编解码网络的低剂量CT图像去噪方法，涉及医学图像处理技术领域。其包括获取数据集，选取梅奥医学中心的低剂量CT图像去噪大赛公开使用的数据集；搭建基于多尺度残差编解码网络模型，并对网络参数进行初始化，得到初始化的多尺度残差编解码网络；将待处理的CT图像输入初始化的多尺度残差编解码网络模型，选取Adam优化器，根据MSE损失函数计算的误差进行训练，得到训练好的多尺度残差编解码网络模型；使用训练好的多尺度残差编解码网络模型对低剂量CT图像进行去噪，得到最终的去噪图像。本发明专利技术可以在保留图像细节的同时，尽可能多的去除低剂量CT图像中的噪声与伪影，改善CT图像的质量。改善CT图像的质量。改善CT图像的质量。

【技术实现步骤摘要】
基于多尺度残差编解码网络的低剂量CT图像去噪方法


[0001]本专利技术涉及医学图像处理
，尤其涉及一种基于多尺度残差编解码网络的低剂量CT图像去噪方法。

技术介绍

[0002]计算机断层成像技术，在临床的筛查、诊断等方面产生了革命性的影响，但CT的X射线辐射可能导致癌症的发生。为此，需要降低X射线的剂量，确保临床应用安全可靠。但是，在低剂量下，CT图像中会无规则的产生大量的噪声和伪影，影响医生的诊断，危害患者的健康。因此低剂量CT图像质量的提升十分重要，从低剂量CT图像概念被提出就一直成为研究人员研究的热点问题。
[0003]目前，为改善CT图像的质量提出了很多有效的方法，包括投影域滤波法、迭代重建法、后处理法。由于CT设备的制造厂商间存在着数据格式不统一，不兼容等问题，投影域滤波法有着获取数据较为困难，适用性不佳等问题；迭代重建算法受限于目前计算机算力，难以在短时间内进行迭代完成去噪任务。图像后处理的相关方法不依赖于投影数据，直接对重建后的图像进行去噪处理，大大增强了算法的鲁棒性。在后处理方法中，传统去噪方法中很多算法也能达到很好的去噪效果，但这些方法通常不仅需要手动设置参数，而且在测试阶段就必须涉及复杂的优化问题，使得此类方法计算量变大，此外多数方法是使用固定模型处理单个去噪任务，在复杂去噪场景下难以适用。
[0004]近几年，随着GPU算力增强以及深度学习的快速发展，将深度学习技术进一步应用于低剂量CT图像去噪的问题上着广阔的前景，因为其灵活的结构和强的自学习能力能够很好的解决传统算法的不足。传统的去噪算法一般总是首先从噪音图像中找出规律然后进行相应的去噪处理。但是如果噪音图像本身无法找到规律，就很难完成去噪任务。运用深度学习技术，利用其他类似内容的清晰图像来总结图片的固有属性，将网络结构用到去噪任务中，能够完成传统去噪算法不能完成的任务。但是，在深度学习方法取得一定成绩的同时也暴露出了一些缺点和不足，如很多深度学习方法会导致高的计算代价及损耗更多内存空间，并且甚至在训练中会出现梯度消失、模型无法收敛现象，反而使模型的效果变差。不少深度学习方法会出现去噪后的图像边缘模糊，细节信息缺失等现象。

技术实现思路

[0005]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于多尺度残差编解码网络的低剂量CT图像去噪方法，得到理想质量的低剂量CT图像。
[0006]为解决上述技术问题，本专利技术所采取的技术方案是：
[0007]一种基于多尺度残差编解码网络的低剂量CT图像去噪方法，包括以下步骤：
[0008]步骤1：获取公开的CT图像数据集；
[0009]步骤2：搭建基于多尺度残差编解码网络模型，并对网络参数进行初始化，得到初始化的多尺度残差编解码网络；
[0010]步骤3：将待处理的CT图像输入初始化的多尺度残差编解码网络模型，选取Adam优化器根据均方根误差(MSE)损失函数计算的误差进行训练，得到训练好的多尺度残差编解码网络模型；
[0011]步骤4：使用训练好的多尺度残差编解码网络模型对低剂量CT图像进行去噪，得到最终的去噪图像。
[0012]采用上述技术方案所产生的有益效果在于：本专利技术提供的基于多尺度残差编解码网络的低剂量CT图像去噪方法，在残差编解码网络中引入一种改进的多尺度特征提取模块，增大网络的感受野，残差学习的方式能够学习噪点图、辅助特征以及参考图之间的非线性映射关系，拟合更加复杂的特征输入，并且避免了深度网络中易出现的梯度消失或者梯度爆炸现象；嵌入一种改进的残差模块，该模块有助于扩大感受野，同时保留多尺度信息；采用跳跃连接，解决网络训练过程中的收敛问题，提高网络性能。实验表明，本专利技术所提出的网络模型能够有效的改善低剂量CT图像的视觉质量。
附图说明
[0013]图1为本专利技术实施例提供的基于多尺度残差编解码网络的低剂量CT图像去噪方法的总体流程图；
[0014]图2为本专利技术实施例提供的多尺度残差编解码卷积神经网络模型的结构示意图；
[0015]图3为本专利技术实施例提供的Inception
‑
resnet
‑
A多尺度残差连接模块的结构示意图；
[0016]图4为本专利技术实施例提供的实验对比图；其中，(a)为标准剂量CT图像；(b)为图(a)的低剂量CT图像；(c)为利用RED
‑
CNN对图(b)进行去噪获得的去噪图像；(d)为使用本专利技术方法对图(b)进行去噪获得的去噪图像；(e)为图(a)方框内区域的放大图像；(f)为图(b)中同图(a)方框相同区域的放大图像；(g)为图(c)中同图(a)方框相同区域的放大图像；(h)为图(d)中同图(a)方框相同区域的放大图像。
具体实施方式
[0017]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0018]本实施例构建并训练得到一个多尺度残差编解码网络模型用来对低剂量CT图像进行去噪，得到理想质量的低剂量CT图像。所述多尺度残差编解码网络模型引入了一个多尺度特征提取模块，采用空洞卷积，设计该特征提取模块的主要目的是通过空洞卷积的膨胀操作改善卷积核的单一性，是对卷积核滤波器的多样化处理；引入一种改进的多尺度残差连接模块，该模块可以扩大网络的感受野同时保留多尺度信息；引入跳跃连接，解决网络训练过程中的收敛问题，提高网络性能。如图1所示，本实施例的方法如下所述。
[0019]步骤1：获取数据集，在2016年的AAPM低剂量CT图像去噪大赛中，梅奥医学中心建立并授权了一套公开的临床数据，在此之后，在CT图像去噪领域这套数据逐渐成为了通用的实验数据，本实施例数据集来源于该数据库。
[0020]步骤1.1：实验使用的数据来自2021年更新建立的10名患者，包括2378张NDCT图像(即标准剂量CT图像)，对应的LDCT图像(即低剂量CT图像)由NDCT图像仿真得到。图像厚度
为3mm，所有CT图像的分辨率均为512
×
512。本实施例的实验就是使用了这套数据集，将数据集分为两组，一组包括8名患者的1923幅图像对作为训练集，另一组为其余两名患者的455幅图像对作为测试集。
[0021]步骤1.2：在选取了数据集以后，将训练集的图片进行切图像块(patch)处理，图像块的尺寸大小为64
×
64，切块处理的滑动间隔设为8个像素点，通过切图像块的处理，丰富了数据集的数量，能有效提高网络的训练效果。
[0022]步骤2：构建多尺度残差编解码网络模型，并对网络参数进行初始化，得到初始化的多尺度残差编解码网络模型。模型的构建和初始化具体步骤如下：
[0023]步骤2.1：构建多尺度残差编解码网络模型。
[0024]本实施例所构建的多尺度残差编解码网络模型如图2所示。此模型包括三个模块，基于空洞卷积的多分支特征提取器(Block 1)、卷积自编码器模块(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度残差编解码网络的低剂量CT图像去噪方法，其特征在于：所述方法包括以下步骤：步骤1：获取公开的CT图像数据集；步骤2：搭建基于多尺度残差编解码网络模型并对网络参数进行初始化得到初始化的多尺度残差编解码网络；步骤3：将待处理的CT图像输入初始化的多尺度残差编解码网络模型，选取Adam优化器根据MSE损失函数计算的误差进行训练得到训练好的多尺度残差编解码网络模型；步骤4：使用训练好的多尺度残差编解码网络模型对低剂量CT图像进行去噪，得到最终的去噪图像。2.根据权利要求1所述的基于多尺度残差编解码网络的低剂量CT图像去噪方法，其特征在于：所述步骤1中公开的CT图像数据集选取梅奥医学中心在低剂量CT图像去噪大赛建立并授权公开使用的临床数据，包括2,378张标准剂量CT图像，对应的低剂量CT图像由标准剂量CT图像仿真得到。3.根据权利要求2所述的基于多尺度残差编解码网络的低剂量CT图像去噪方法，其特征在于：所述CT图像厚度为3mm，所有CT图像的分辨率均为512
×
512；选取10名患者的临床数据作为数据集，并将数据集分为两组，一组包括8名患者的1923幅图像对作为训练集，另一组包括其余两名患者的455幅图像对作为测试集。4.根据权利要求3所述的基于多尺度残差编解码网络的低剂量CT图像去噪方法，其特征在于：将训练集的图片进行切图像块处理，图像块的尺寸大小为64
×
64，切块处理的滑动间隔设为8个像素点。5.根据权利要求1所述的基于多尺度残差编解码网络的低剂量CT图像去噪方法，其特征在于：所述多尺度残差编解码网络模型包括三个模块，分别为基于空洞卷积的多分支特征提取器、卷积自编码器模块和解码器模块；基于空洞卷积的多分支特征提取器包括三个空洞卷积的concat连接和ReLU；三个空洞卷积并行组成一个多分支的特征提取模块，其卷积核尺寸均为3

【专利技术属性】
技术研发人员：高天寒，吴长河，
申请(专利权)人：东北大学，
类型：发明
国别省市：